source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-151.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 156652 objects.
Mean distance to the closest unit in the map: 0.058.
plot(model, type="changes")
df <- mpr.load_data("datos_semana_2k.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:156652 Length:156652 Min. : 1.00 Min. :-109.0
Class :character Class :character 1st Qu.:13.00 1st Qu.: 147.0
Mode :character Mode :character Median :27.00 Median : 201.0
Mean :26.53 Mean : 202.1
3rd Qu.:40.00 3rd Qu.: 262.0
Max. :53.00 Max. : 442.0
tmin precip nevada prof_nieve
Min. :-189.00 Min. : 0.00 Min. :0 Min. : 0.000
1st Qu.: 48.00 1st Qu.: 0.00 1st Qu.:0 1st Qu.: 0.000
Median : 98.00 Median : 3.00 Median :0 Median : 0.000
Mean : 98.13 Mean : 16.92 Mean :0 Mean : 0.604
3rd Qu.: 152.00 3rd Qu.: 20.00 3rd Qu.:0 3rd Qu.: 0.000
Max. : 272.00 Max. :690.00 Max. :0 Max. :1073.000
longitud latitud altitud
Min. :27.82 Min. :-17.889 Min. : 1.0
1st Qu.:39.01 1st Qu.: -4.850 1st Qu.: 44.0
Median :41.22 Median : -1.411 Median : 263.0
Mean :40.05 Mean : -2.426 Mean : 478.5
3rd Qu.:42.19 3rd Qu.: 1.272 3rd Qu.: 687.0
Max. :43.57 Max. : 4.216 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 6 7 8 9 10 11 12 13 14 15 16 17
54 82 84 78 39 56 55 86 74 63 79 58 3 64 57 72
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
86 83 42 91 95 52 53 68 48 74 55 73 39 80 90 89
34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
47 53 106 56 117 105 64 112 88 105 66 82 94 99 100 69
50 51 52 53 54 57 58 59 60 61 62 63 64 65 66 67
76 103 75 79 84 68 88 80 80 123 93 95 78 69 45 79
68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83
61 74 123 132 97 48 55 81 43 67 64 36 58 94 90 79
84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99
62 29 49 33 72 76 47 69 61 40 43 36 83 88 82 83
100 101 102 105 110 111 112 113 114 115 116 117 118 119 120 121
30 88 72 72 84 116 75 44 16 64 106 79 122 77 81 86
122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137
45 43 81 107 63 50 81 120 52 78 96 76 60 70 74 30
138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 154
44 39 32 56 82 81 72 78 26 36 36 56 17 90 70 83
155 156 157 158 159 161 162 163 164 165 166 167 168 169 170 171
71 62 68 38 66 64 65 64 59 27 43 104 66 127 56 96
172 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188
75 115 89 102 94 120 84 78 76 97 83 53 48 41 26 32
189 190 191 192 193 194 195 196 197 198 199 200 201 203 204 205
42 76 63 64 81 112 52 79 64 59 77 38 61 80 70 25
206 207 208 209 211 212 213 214 215 216 217 218 219 220 221 222
66 101 29 87 104 63 64 48 44 40 47 38 49 48 67 87
223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238
39 80 93 72 57 64 90 94 122 82 95 50 49 29 58 56
239 240 241 242 243 244 245 246 247 248 249 250 251 253 254 256
62 42 49 72 44 76 58 94 65 80 63 37 109 68 35 91
257 258 259 260 262 263 264 265 266 267 268 269 270 271 272 273
70 88 48 76 61 101 56 58 52 70 83 83 34 71 51 73
274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289
96 85 22 98 101 63 61 103 67 76 47 66 61 46 38 71
290 291 292 293 294 295 296 297 298 299 300 302 303 304 305 306
92 72 62 56 67 50 36 36 55 62 63 61 45 11 78 64
307 308 309 311 312 313 314 315 316 317 318 319 320 321 322 323
39 97 81 77 118 63 38 50 90 39 38 99 53 82 86 109
324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339
78 95 117 77 81 70 81 72 59 90 92 33 33 68 66 41
340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 356
44 51 56 50 42 27 77 67 78 64 38 81 100 87 43 83
357 358 359 360 362 363 364 365 366 367 368 369 370 371 372 373
75 78 50 103 78 77 69 37 76 111 67 111 126 107 91 58
374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389
92 66 99 105 97 70 61 98 85 76 78 47 55 52 76 31
390 391 392 393 394 395 396 397 398 399 400 402 403 405 406 407
25 77 54 51 47 31 42 39 90 74 35 87 46 79 66 94
408 409 411 412 413 414 415 416 417 418 419 420 421 422 423 424
54 96 73 80 51 47 57 74 94 113 64 84 115 46 71 68
425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 441
21 81 95 110 66 75 70 52 104 55 50 66 68 79 44 83
442 443 444 445 446 447 448 449 450 451 452 455 456 457 458 459
58 66 86 82 106 82 92 48 115 95 70 72 73 122 62 88
460 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476
68 95 71 17 90 96 57 73 75 112 107 48 100 83 57 48
477 478 479 480 481 482 483 484 485 486 487 488 489 490 492 493
96 98 99 21 77 45 76 49 90 82 88 64 55 62 49 39
494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509
55 51 102 115 69 44 86 71 99 8 63 87 94 53 74 44
511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526
76 89 41 74 98 70 71 94 97 72 39 45 90 73 74 68
527 528 529 530 531 532 533 534 535 536 537 538 539 540 542 543
89 40 61 71 52 56 85 38 39 87 77 58 80 78 58 47
544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559
79 101 53 70 74 95 74 97 46 40 37 58 88 78 56 64
561 562 563 565 566 567 568 569 570 571 572 573 574 575 576 577
43 50 80 52 83 61 54 75 107 109 76 101 69 65 71 94
578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593
63 42 70 41 69 78 52 34 57 75 51 84 60 63 71 51
594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 610
41 76 62 78 63 50 64 118 48 44 69 60 48 40 103 79
611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626
75 71 43 66 66 60 49 88 95 90 81 72 87 76 29 72
627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642
52 60 73 28 35 68 74 50 67 86 56 80 45 55 61 61
643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658
41 77 81 52 70 61 68 74 65 75 96 36 68 53 78 106
659 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675
52 79 106 55 61 63 89 74 58 73 88 88 102 67 64 82
676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691
63 101 78 69 93 87 87 79 46 91 97 83 50 74 89 76
692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707
71 58 81 87 77 41 37 67 63 78 57 68 52 64 84 50
708 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724
94 72 88 33 2 34 31 70 88 68 76 49 92 83 89 68
725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740
67 63 64 71 71 79 64 80 44 54 76 76 66 61 81 74
741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756
80 70 69 75 85 48 52 50 90 81 56 52 70 53 63 54
757 758 760 761 762 763 764 765 766 767 768 769 770 771 772 773
46 87 82 99 55 54 87 54 42 61 56 93 112 81 77 63
774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789
79 106 49 58 81 66 41 98 75 53 81 94 76 53 58 53
790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805
59 48 30 39 62 56 44 69 47 81 77 48 45 43 40 75
806 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823
44 79 92 80 75 47 59 85 66 88 57 126 40 52 95 51
824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839
107 73 91 78 90 60 65 57 38 65 88 49 76 64 73 78
840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855
82 34 41 57 75 102 77 88 77 55 71 116 93 54 100 57
856 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872
51 102 108 61 51 73 74 40 46 60 64 58 69 114 91 83
873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888
57 66 59 43 96 67 79 68 47 45 49 92 117 69 50 82
889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904
70 65 66 56 56 71 81 69 92 76 66 81 50 50 37 30
905 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921
24 83 73 58 49 78 42 62 31 115 99 42 70 71 49 114
922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 938
59 74 90 101 77 57 60 72 31 66 51 78 110 68 59 83
939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954
51 71 52 50 68 77 59 39 48 56 80 75 97 101 69 69
955 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971
36 92 56 65 79 64 79 58 50 41 52 46 43 42 109 40
972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987
94 68 84 53 62 53 68 86 31 59 78 68 88 58 63 54
988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003
69 89 44 46 54 63 68 46 86 47 68 41 62 60 52 70
1004 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020
70 52 86 77 67 62 55 38 36 67 73 45 60 80 58 86
1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036
63 100 67 60 63 47 42 64 47 84 71 70 83 76 82 53
1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1056 1057
64 114 85 56 70 52 70 87 57 37 60 64 64 46 77 77
1058 1059 1060 1061 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075
67 82 53 51 58 104 48 86 58 83 66 79 92 93 50 73
1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091
59 76 34 66 34 71 65 100 81 83 63 62 75 41 40 59
1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107
44 48 95 71 45 51 56 55 43 50 78 76 68 63 83 75
1108 1109 1110 1111 1112 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124
38 52 73 48 39 58 64 101 54 86 87 80 72 67 94 66
1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1137 1138 1139 1140 1141
85 72 94 49 33 48 65 94 70 43 52 89 70 106 54 65
1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157
71 97 54 58 66 42 96 76 55 96 69 50 95 56 86 87
1158 1159 1160 1161 1162 1163 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174
41 62 63 18 62 56 69 65 96 67 75 51 61 40 90 86
1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190
43 92 61 59 65 73 69 60 99 75 39 50 93 105 80 59
1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206
55 43 88 86 59 73 42 47 38 40 86 74 50 90 87 79
1207 1208 1209 1210 1211 1212 1213 1215 1216 1217 1218 1219 1220 1221 1222 1223
56 67 54 41 53 55 62 99 87 67 87 42 63 116 87 50
1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241
45 46 68 64 36 82 49 103 56 73 77 70 85 75 57 47
1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257
60 59 65 58 62 73 57 58 60 86 69 101 69 71 58 45
1258 1259 1260 1261 1263 1264 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276
84 42 55 72 102 92 132 64 59 44 42 93 99 39 51 60
1277 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293
39 43 80 63 65 80 66 60 68 59 71 60 51 74 63 65
1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309
37 34 56 64 73 35 44 76 66 61 53 50 33 55 48 50
1310 1311 1312 1313 1314 1315 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327
51 61 87 87 70 32 60 78 66 76 73 56 78 46 28 56
1329 1330 1331 1332 1333 1334 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345
60 72 59 58 100 78 64 54 43 60 51 100 88 75 66 49
1346 1347 1348 1349 1350 1351 1352 1353 1354 1356 1357 1358 1359 1360 1361 1362
50 51 47 67 84 58 75 47 36 14 40 44 47 45 47 61
1363 1364 1365 1366 1367 1368 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379
57 89 85 73 68 68 77 65 80 51 85 98 58 34 68 42
1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395
52 64 43 46 59 49 85 63 65 79 67 53 85 81 58 56
1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1409 1410 1411 1412 1413
44 51 85 58 83 65 76 88 62 95 46 61 51 67 91 91
1414 1415 1416 1417 1418 1419 1420 1422 1423 1424 1425 1426 1427 1428 1429 1430
62 75 81 58 81 62 71 81 79 80 58 36 29 25 12 72
1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446
61 94 122 78 63 68 84 69 67 76 80 75 59 38 45 57
1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1460 1461 1462 1463
67 53 61 86 64 62 105 39 23 11 1 68 67 90 71 82
1464 1465 1466 1467 1468 1469 1470 1471 1473 1474 1475 1476 1477 1478 1479 1481
93 78 53 74 43 46 35 59 90 54 91 93 82 46 28 54
1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497
58 111 66 92 69 81 32 82 41 64 87 75 45 60 62 64
1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513
62 62 86 50 69 49 54 64 47 49 40 27 51 42 51 52
1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529
48 52 67 68 52 53 33 59 33 90 55 59 55 58 76 65
1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546
61 80 105 115 101 42 70 54 27 41 65 63 40 44 46 93
1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562
58 64 48 65 69 73 51 74 60 84 58 63 54 89 67 53
1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1574 1575 1576 1577 1578 1579
58 45 74 71 61 72 93 50 47 43 73 72 80 110 95 82
1580 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596
64 57 63 78 88 40 63 44 63 45 52 70 68 52 48 47
1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612
85 57 47 52 52 53 91 80 79 48 55 35 82 45 105 43
1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1624 1625 1626 1627 1628 1629
51 75 44 40 43 89 81 103 40 68 41 74 92 85 87 139
1630 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646
86 19 74 85 65 75 49 53 97 58 51 47 66 50 51 79
1647 1648 1649 1650 1651 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663
90 65 91 65 50 65 99 97 58 57 60 53 75 7 87 66
1664 1665 1666 1667 1668 1669 1670 1671 1672 1674 1675 1676 1677 1678 1679 1680
50 72 89 59 29 118 97 98 37 50 53 72 87 91 85 82
1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696
50 37 41 47 68 74 36 76 67 49 61 50 62 20 46 44
1697 1698 1699 1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712
52 53 98 99 78 54 62 59 92 80 80 67 99 47 19 47
1713 1714 1715 1716 1717 1718 1719 1720 1721 1723 1724 1725 1726 1727 1728 1729
81 62 61 81 59 54 32 97 44 74 44 65 36 91 74 47
1730 1731 1733 1734 1735 1736 1737 1738 1739 1740 1741 1744 1745 1746 1747 1748
53 44 49 48 57 49 67 47 38 61 46 52 42 49 39 57
1749 1750 1751 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1765 1766
78 89 64 33 41 81 42 60 72 64 93 56 66 50 56 38
1767 1768 1769 1770 1771 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783
71 63 87 43 96 54 97 36 80 47 27 53 38 54 36 70
1784 1785 1786 1787 1788 1789 1790 1792 1793 1795 1796 1797 1798 1799 1800 1801
50 72 28 74 59 41 63 73 120 96 53 42 39 56 86 92
1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1816 1817 1818
75 62 51 51 68 77 77 64 68 51 63 55 42 49 51 70
1819 1820 1822 1823 1824 1825 1826 1827 1830 1831 1832 1833 1834 1835 1836 1837
61 70 41 79 63 56 50 61 58 95 101 85 74 63 49 47
1838 1839 1840 1841 1842 1844 1845 1846 1847 1848 1849 1850 1851 1853 1854 1855
56 70 2 62 86 37 77 64 55 60 67 85 99 32 66 30
1856 1857 1858 1859 1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1872
70 74 82 85 80 50 61 79 53 70 49 36 74 31 35 112
1873 1874 1875 1876 1877 1878 1880 1881 1882 1883 1884 1885 1886 1887 1888 1889
104 48 71 80 83 62 79 54 56 128 78 52 41 32 51 62
1891 1892 1894 1895 1896 1897 1898 1899 1900 1901 1902 1903 1904 1905 1906 1907
54 90 48 72 59 54 46 70 17 61 53 84 51 62 70 62
1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923
55 41 66 68 30 76 59 51 68 41 43 53 28 61 79 66
1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1940
57 60 85 79 71 41 96 79 46 113 133 36 93 41 79 75
1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957
123 56 56 81 48 59 57 60 50 59 70 77 94 43 82 72
1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973
52 74 30 39 35 78 42 36 41 53 57 69 48 95 50 113
1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989
43 74 56 53 50 55 43 52 75 53 122 90 75 73 82 29
1990 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
51 77 77 85 117 80 41 55 55 61 86 48 75 80 90 77
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
81 86 54 45 64 65 49 48 53 47 83 42 76 44 67 44
2023 2025 2026 2027 2028 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040
43 58 60 76 45 46 45 39 65 66 64 65 123 39 43 52
2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056
50 95 99 87 86 14 50 57 78 53 80 95 47 72 69 88
2057 2058 2059 2060 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072
33 60 71 73 83 61 87 62 71 47 46 67 77 39 36 36
2073 2074 2075 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089
43 56 67 77 69 25 89 57 39 77 33 62 77 74 31 44
2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2101 2102 2103 2104 2105
45 47 92 91 74 62 88 50 52 49 56 86 69 40 64 53
2106 2107 2108 2109 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121
41 80 55 66 73 64 59 69 97 69 60 32 85 51 59 51
2122 2123 2124 2125 2126 2127 2128 2129 2130 2131 2133 2134 2135 2136 2137 2138
31 62 77 82 62 51 26 46 69 59 70 69 73 72 21 44
2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2150 2151 2152 2153 2154 2155
54 75 52 88 60 43 96 58 60 78 104 79 65 102 51 73
2156 2157 2158 2159 2160 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171
43 68 62 106 81 65 47 60 51 64 63 64 50 48 53 75
2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187
86 48 88 79 97 32 48 86 63 70 72 37 52 79 49 92
2188 2189 2190 2191 2192 2193 2194 2195 2196 2197 2198 2200 2201 2203 2204 2205
26 46 76 44 90 78 89 54 122 34 34 73 134 72 107 76
2206 2207 2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218 2219 2220 2221
31 83 59 72 98 108 57 68 68 50 71 82 36 32 65 74
2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235 2236 2237
24 71 68 57 52 41 57 48 49 65 60 53 36 42 41 58
2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249 2250 2251 2252 2253
46 93 49 73 76 99 79 57 82 46 38 105 88 44 83 71
2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265 2266 2267 2268 2269
84 120 74 57 83 49 98 57 69 44 63 76 66 59 62 29
2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283 2284 2285
57 58 67 51 45 82 35 35 80 46 41 49 41 21 17 28
2286 2287 2290 2291 2292 2293 2294 2295 2296 2297 2298 2299 2300 2301 2302 2303
47 51 47 56 83 62 20 64 43 42 83 76 44 45 68 46
2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314 2315 2316 2317 2318 2319
48 79 79 53 52 75 49 66 83 70 51 51 71 65 48 31
2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333 2334 2335
42 61 96 42 60 32 58 69 64 64 67 79 27 36 27 71
2336 2338 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349 2350 2351 2352 2353
24 93 73 81 60 37 75 74 47 43 97 44 23 98 41 44
2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369
98 70 64 79 76 96 62 55 69 49 54 77 49 75 96 57
2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384 2385
99 65 36 82 54 34 74 68 85 61 51 98 97 71 49 56
2386 2387 2388 2390 2391 2392 2393 2394 2395 2396 2397 2398 2399 2400 2401 2402
39 37 62 68 81 51 84 44 110 87 85 77 136 85 59 82
2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418
44 63 94 32 103 68 56 53 46 75 36 39 52 40 75 60
2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434
83 73 73 57 68 72 31 61 48 68 63 90 89 62 89 70
2435 2436 2437 2438 2439 2440 2441 2442 2444 2445 2446 2447 2448 2449 2450 2451
75 35 39 55 72 66 71 67 78 50 73 77 63 78 58 41
2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467
83 59 81 40 47 71 56 40 56 57 70 30 78 70 90 70
2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483
82 49 67 74 107 80 43 28 32 35 60 87 41 80 67 59
2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496 2497 2498 2499
88 46 45 30 17 84 71 55 83 79 30 57 86 68 82 61
2500
31
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2385 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("fecha_cnt", "tmax", "tmin", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)